113 年 國立成功大學資訊管理研究所甲組《管理資訊系統》

本題在探討計算與分析的執行位置，以及如何在網路邊緣進行而非僅仰賴中央雲端。

核心觀念：分散式運算與網路架構。

Edge computing（邊緣運算）是一種分散式運算範式，旨在將計算與數據儲存移至數據產生的來源地，也就是網路的邊緣。這與傳統的集中式雲端運算形成對比，後者將所有數據傳送到中央伺服器進行處理。

選項分析：
A) Quantum computing（量子運算）：是一種革命性的運算模型，利用量子力學原理進行計算，與計算位置無直接關聯。

本題在探討敏感度分析（Sensitivity Analysis）在管理支援系統中的重要性，並要求找出一個不是其重要原因的選項。

核心觀念：敏感度分析的應用與目的。

敏感度分析是一種用來研究模型中不確定性對模型輸出影響的技術。它主要用於評估當模型中的輸入參數或假設發生變化時，輸出結果會如何變化。這有助於決策者了解哪些因素對結果影響最大，從而做出更明智的決策。

選項分析：
A) It allows flexibility and adaptation to changing conditions（它允許彈性並適應變化中的條件）：敏感度分析可以幫助決策者了解在不同情境下模型的表現，從而更靈活地應對變化。這是敏感度分析的一個重要優點。
B) It permits the manager to input data to increase his/her confidence in the model（它允許管理者輸入數據以增加對模型的信心）：敏感度分析本身並不是直接用來增加管理者對模型的信心，而是透過分析參數變動對結果的影響來評估模型的穩健性。

核心觀念

本題考查**決策支援系統（Decision Support System, DSS）**中的「定量模型分析功能（Quantitative Modeling Capabilities）」。

在管理資訊系統（MIS）中，DSS 常見的模型分析方法主要包含以下四種：

1. 假設分析（What-If Analysis）：正向推導分析（Forward/Impact Analysis）。觀察並評估在「特定輸入變數或假設條件改變」時，對「輸出結果（目標變數）」所產生的影響。
2. 敏感度分析（Sensitivity Analysis）：假設分析的延伸與特例。連續或反覆微幅變動單一（或少數）輸入變數，觀察輸出變數變動的幅度，藉此評估系統對該變數的敏感程度、臨界點或風險承受度。
3. 目標搜尋分析（Goal-Seeking Analysis）：反向推導分析（Backward/How-Can Analysis）。預先設定期望達成的目標輸出值，反推所需的輸入變數值。
4. 最佳化分析（Optimization Analysis）：在給定的限制條件（Constraints）下，尋求使目標函數（Objective Function）達到最大化或最小化的最佳決策變數組合。

---

解題方法

分析題目給定情境的語句邏輯：

"What will be the total earnings if the inventory stocking costs are reduced by 10%?"
（如果庫存進貨成本降低 10%，總收益將會是多少？）

• 輸入端（Input/Condition）：庫存進貨成本降低 10%（已知的假設變動）。
• 輸出端（Output/Result）：總收益（欲觀察與評估的結果）。

此題型為典型的「給定輸入端之假設變化，預測並評估輸出端結果」之正向模擬推導，符合 What-if analysis（假設分析） 的定義。

---

選項分析

• A) Goal-seeking analysis（目標搜尋分析）：錯誤。
  目標搜尋分析屬於「倒推法（How-Can）」。若為目標搜尋分析，題目應描述為：「若希望總收益達到 $1,000,000，庫存成本需要降低多少百分比？

本題考驗對不同類型分析方法的理解，特別是針對一個具體問題的判斷。

核心觀念：決策分析方法的類型。

A) Goal-seeking analysis（目標尋求分析）：也稱為反向求解，是從目標開始，然後找出達成該目標所需的輸入值。例如，如果目標是達到某個利潤水準，則找出需要多少銷售量。
B) What-if analysis（情境分析）：是改變一個或多個輸入變數，然後觀察輸出結果的變化。它回答「如果...會怎樣？」的問題。
C) Sensitivity analysis（敏感度分析）：是 What-if analysis 的一種，但更側重於分析單一變數變動對結果的影響程度。
D) Utility modeling（效用模型）：是用來評估不同選項的價值或偏好的模型。

本題在探討人工智慧（AI）中的機器學習技術，特別是強調從數據中學習特徵（features）及其與輸出目標之間映射關係的技術。

核心觀念：機器學習的學習方式。

機器學習（Machine learning）是 AI 的一個分支，旨在讓電腦能夠從數據中學習，而無需明確編程。其中，學習特徵（feature learning）和建立特徵與輸出之間的映射關係是許多機器學習模型的關鍵。

選項分析：
A) Machine learning（機器學習）：這是總稱，涵蓋了各種學習技術。題目描述的學習特徵並建立映射關係是機器學習的普遍目標，但其他選項可能更具體。
B) Deep learning（深度學習）：深度學習是機器學習的一個子集，尤其擅長自動從原始數據中學習層次化的特徵表示（hierarchical feature representations）。它透過多層神經網路來實現，能夠發現複雜的模式和特徵，並學習這些特徵到輸出目標的映射。這非常符合題目描述。
C) Reinforcement learning（強化學習）：是一種透過試錯來學習的機器學習方法，代理（agent）透過與環境互動，根據獎勵或懲罰來學習最佳策略。它側重於學習行為策略，而非直接學習數據的特徵表示。

本題在探討電腦處理與生成人類語言的相關技術。

核心觀念：自然語言處理（NLP）的子領域。

自然語言處理（Natural Language Processing, NLP）是電腦科學和人工智慧的一個領域，專注於讓電腦能夠理解、解釋和生成人類語言。NLP 包含多個子領域：

A) Natural language processing（自然語言處理）：這是總稱。
B) Natural language generation（自然語言生成, NLG）：指電腦系統將結構化數據或非結構化數據轉換成人類可讀的自然語言文本或語音的過程。其目標是讓電腦「說話」。
C) Natural language understanding（自然語言理解, NLU）：指電腦系統理解人類語言語義和語境的能力。其目標是讓電腦「聽懂」。

本題考驗對資料預處理（Data Preprocessing）階段中不同步驟的理解，特別是移除重複資料的任務屬於哪個階段。

核心觀念：資料預處理的步驟。

資料預處理是資料採礦和機器學習流程中的一個關鍵階段，旨在將原始的、雜亂的資料轉換成適合分析的格式。常見的資料預處理步驟包括：

A) Data Consolidation（資料整合）：將來自不同來源的資料合併成一個統一的資料集。
B) Data Cleaning（資料清理）：處理資料中的錯誤、不一致和遺失值，以及移除重複的資料。
C) Data Transformation（資料轉換）：將資料轉換成適合模型使用的格式，例如標準化、正規化、特徵工程等。

本題探討如 Amazon 等成功企業，透過何種方式來達成「更深入理解客戶」的目標，進而推動其成功。

核心觀念：現代企業的數據驅動決策與客戶洞察。

企業的成功，特別是像 Amazon 這樣以客戶為中心的電商巨頭，很大程度上依賴於對客戶的深入理解。這種理解並非單純來自某一個單一的行動，而是多個環節的協同作用。然而，題幹要求找出「主要」來自於什麼。

選項分析：
A) collecting data about customers and transactions.（收集關於客戶與交易的數據）：這是基礎。沒有數據，就無法進行後續的分析和理解。Amazon 累積了海量的客戶購買紀錄、瀏覽行為、搜尋歷史等數據。
B) developing a philosophy that is data analytics-centric.（發展一種以數據分析為中心的哲學）：這是一種組織文化和戰略層面的考量，雖然重要，但它本身不是直接產生客戶理解的「來源」。

本題考驗對文本探勘（Text Mining）應用領域的理解，要求判斷哪種應用情境從文本探勘中獲益最少。

核心觀念：文本探勘的適用性。

文本探勘是從非結構化文本數據中提取有用資訊和知識的過程。它適用於包含大量文本信息的場景，通過分析文本內容、語義、結構等來發現模式、趨勢和關聯。

選項分析：
A) patients' medical files（病患的醫療記錄）：醫療記錄包含大量的文字描述，如病史、診斷、治療過程、藥物反應等。文本探勘可以幫助分析病患群體的疾病模式、藥物療效、預後因素，甚至輔助診斷。
B) patent description files（專利說明文件）：專利文件是高度結構化但內容豐富的文本。文本探勘可以分析專利的技術趨勢、競爭格局、關鍵技術領域，以及尋找潛在的發明機會。

本題在探討不同類型的數據分析（Analytics）及其目的。

核心觀念：數據分析的四種類型。

數據分析通常被分為四種類型，它們代表了從數據中獲取洞察的不同層次和目的：

1. Descriptive Analytics（描述性分析）：回答「發生了什麼？」的問題。它總結過去的數據，提供對現狀的理解，例如報告、儀表板、KPIs。
2. Diagnostic Analytics（診斷性分析）：回答「為什麼會發生？」的問題。它深入挖掘數據，找出事件發生的原因，例如數據挖掘、鑽取（drill-down）。
3. Predictive Analytics（預測性分析）：回答「將會發生什麼？」的問題。它利用歷史數據和統計模型來預測未來的趨勢和結果，例如預測銷售額、客戶流失率。
4. Prescriptive Analytics（指示性分析）：回答「我們應該做什麼？」的問題。它不僅預測未來，還提供具體的行動建議，以優化結果或達成特定目標。它通常結合預測性分析、優化算法和決策規則。

本題要求定義「Data Fabric」，闡述其在跨異質運算環境中提升數據管理與整合的意義，並討論其如何為企業帶來競爭優勢。

核心觀念：Data Fabric 的定義、作用與價值。

定義：
Data Fabric 是一種架構和技術的集合，旨在提供一個統一、一致且彈性的數據訪問和管理層。它透過智慧化的元數據管理、數據目錄、數據虛擬化、數據湖、數據倉儲、數據網格（Data Mesh）等技術的組合，讓使用者能夠在任何需要的地方、以任何格式，輕鬆地存取、整合和管理分散在不同系統、不同位置（雲端、地端、多雲）的數據，而無需關心數據的底層物理儲存位置和格式。它強調的是數據的「連通性」和「可存取性」。

意義與作用（Enhancing Data Management and Integration）：

1. 簡化數據存取與整合：打破數據孤島，讓應用程式和使用者能夠透過單一介面存取分散的數據，無需進行複雜的 ETL（Extract, Transform, Load）流程。
2. 提升數據品質與一致性：透過統一的元數據管理和數據治理框架，確保數據的定義、標準和質量在整個企業中保持一致。
3. 支援多樣化的數據類型與環境：能夠處理結構化、半結構化和非結構化數據，並支援各種雲端、地端、混合雲環境。

核心觀念解析

本題核心在於測驗考生對於當代兩大主流資料架構範式——「資料織布（Data Fabric）」與「資料網格（Data Mesh）」的深度理解與比較能力。Gartner 將 Data Fabric 列為戰略技術，強調的是透過自動化與智慧化層來整合分散的資料；而 Data Mesh 則是由 ThoughtWorks 提出，主張將資料視為產品並進行領域去中心化。考生需從「架構設計」、「運作方法論」以及「對治理與敏捷度的影響」三個維度進行辯證分析，並進一步闡述這兩種架構如何重塑組織的決策機制與營運效率，以展現對企業數位轉型策略的宏觀視野。

---

完整解題過程

本題要求對比「Data Fabric」與「Data Mesh」，我們需依照題目指定的三個面向：架構框架（Architectural Frameworks）、運作方法論（Operational Methodologies）、以及對資料治理與組織敏捷度的影響（Effects on Data Governance and Organizational Agility）進行系統性分析，最後總結其對決策與效率的塑造作用。

1. 架構框架之對比 (Architectural Frameworks)

Data Fabric 的架構核心在於「整合層（Integration Layer）」。它並非取代現有的資料儲存庫（如資料湖、資料倉儲），而是在其上建構一個虛擬的、統一的存取層。

• 設計邏輯：採用集中式或混合式的架構，利用知識圖譜（Knowledge Graph）、主動式後設資料（Active Metadata）與 AI/ML 技術，自動發現、連結並整合分散在本地端、雲端或多雲環境中的資料。
• 關鍵特徵：強調「邏輯集中，物理分散」。對使用者而言，資料看起來是單一來源，但底層物理儲存可以是異質的。其架構依賴強大的中央引擎來處理資料的編目、血緣追蹤與即時轉換。

Data Mesh 的架構核心在於「領域去中心化（Domain Decentralization）」。它反對建立單一的巨型資料平台，主張將架構權力下放。

• 設計邏輯：採用完全分散式的架構，將組織依業務領域（如行銷、財務、供應鏈）劃分，每個領域擁有自己的資料產品（Data Product）與基礎設施。
• 關鍵特徵：強調「聯邦式計算（Federated Computational Governance）」。架構上沒有中央數據庫，而是透過標準化的 API 介面讓各領域的資料產品互相連接。每個節點（領域）自治，但遵循全局的互操作標準。

小結：Data Fabric 試圖透過智慧化的中央層來「縫合」分散的資料孤島；Data Mesh 則是從源頭打破孤島，將資料的所有權與架構責任直接分配給產生資料的業務單位。

2. 運作方法論之對比 (Operational Methodologies)

Data Fabric 的運作仰賴高度的「自動化（Automation）」與「智慧增強（Augmentation）」。

• 運作模式：透過 AI 驅動的後設資料管理，自動推薦資料轉換規則、自動建立資料血緣、甚至自動優化查詢路徑。資料工程師的角色轉變為訓練模型與維護整合層，減少手寫 ETL 程式碼的需求。
• 資料流動：傾向於按需（On-demand）的即時虛擬化存取，或是自動化的批量同步，重點在於減少人為干預的整合摩擦。

Data Mesh 的運作仰賴「產品思維（Product Thinking）」與「領域自治（Domain Ownership）」。

• 運作模式：將資料視為產品，每個領域團隊必須對其資料產品的全生命週期負責（從產生、品質保證到服務）。運作上採用 DevOps 或 DataOps 文化，強調跨職能團隊（包含領域專家、資料工程師、分析師）的協作。
• 資料流動：透過定義良好的 SLA（服務層級協議）與 API 進行交換。消費端如同在應用商店購買服務般訂閱資料產品，強調自助服務（Self-service）。

小結：Data Fabric 透過技術自動化來降低營運複雜度；Data Mesh 透過組織變革與責任下放，讓最懂資料的人（領域團隊）來營運資料。

3. 對資料治理與組織敏捷度的影響 (Effects on Data Governance and Organizational Agility)

核心觀念

本題考查檢索增強生成（Retrieval-Augmented Generation, RAG）的定義，以及它如何結合外部資料檢索與大型語言模型（LLM）的生成能力，支援商業智慧（BI）與決策。

RAG 的基本流程是：先從企業文件、資料庫或其他知識來源中，找出與使用者問題相關的資訊，再把這些資訊提供給 LLM，讓模型依據檢索結果產生回答。檢索負責提供相關資料，生成則負責整理、解釋並以自然語言呈現。

解題方法

原卷第 2-(a) 題承接題組題幹，指出生成式 AI 與 LLM 正在改變商業智慧及決策流程；本小題要求定義 RAG，並說明它如何提升 LLM 與生成式 AI 在 BI 和決策支援中的功能，特別是檢索與生成的結合如何提升效率、精確度及決策品質。本題配分為 5%。

作答可依「定義與流程 → 對商業應用的效益 → 對決策的影響」鋪陳。先交代 RAG 如何把外部知識帶入模型回答，再說明這種做法如何讓回答更貼近企業資料與業務情境，最後補充其對決策支援的價值。

作答要點

RAG 是一種結合資訊檢索與文字生成的架構。使用者提出問題後，系統會先從指定的資料來源中檢索相關內容，並將內容連同問題交給 LLM。模型據此整理資訊、產生回答，必要時還可標示資料來源，供使用者查核。

核心觀念

本題考查檢索增強生成（RAG）與知識圖譜（KG）的互補關係。RAG 在生成回答前，先從外部資料中檢索相關內容，再把檢索結果提供給大型語言模型（LLM）作為生成依據；KG 則以「實體—關係—實體」的結構表示知識，例如「客戶甲—購買—產品乙」。

RAG 擅長從大量文件中找出資訊並整理成自然語言；KG 擅長保存實體、關係與脈絡。兩者結合，可形成「文件檢索與生成補充圖譜、圖譜再引導檢索與生成」的循環。

解題方法

依原卷頁圖，本題是第 2-(b) 題申論題，配分 10%；題目要求分析兩個方向：RAG 如何豐富 KG 內容，以及 KG 如何提升 RAG 的正確性與脈絡相關性，並評估兩者的協同效果及其對企業決策工具的意義。

作答時依照「RAG 補充圖譜、圖譜改善 RAG、協同效益與決策應用」的順序說明，並指出資料品質與驗證機制，才能兼顧效益和風險。

RAG 如何豐富 KG 內容

RAG 從企業文件、客服紀錄、報告及資料庫中檢索相關資訊後，可透過資訊擷取辨識文件中的實體與關係，將新知識整理為圖譜中的節點與邊。例如，從客服紀錄中辨識出客戶、產品、故障類型及處理結果，補上「客戶—回報—故障」及「故障—影響—產品」等關係。

此外，RAG 可協助找出圖譜尚未涵蓋的實體或關係，並用來源文件、時間戳記及信心分數保留資料脈絡。新增內容仍須進行實體消歧、重複合併、衝突檢查及人工或規則驗證，避免把模型誤讀的資訊直接寫入圖譜。

KG 如何改善 RAG

核心觀念

**提示工程（prompt engineering）**是設計、撰寫及反覆調整輸入指令，使大型語言模型能穩定產出符合任務需求之內容的過程。提示通常不只是一句問題，也可包含任務背景、角色、參考資料、限制條件、範例及輸出格式。由於模型輸出具有不確定性，提示工程需要兼顧清楚表達與結果測試；它不是保證模型永遠正確的公式。OpenAI 提示工程指南

解題方法

題目要求簡要說明「是什麼」及「從業者要具備什麼能力」，作答時可分兩部分：

1. 先定義提示工程，點出它的目標是引導模型產出更符合需求的結果。
2. 再列出提示工程師從理解需求、設計提示，到測試成效所需的能力。

例如，若要模型整理顧客意見，可在提示中說明分析目的、提供意見資料、限定分類方式，並指定以表格輸出。收到結果後，再檢查分類是否準確、有無遺漏，據此修改提示。這個「設計、測試、評估、調整」的循環，是提示工程的實務核心。Frontiers 研究

提示工程師應具備的能力

核心觀念

NFT 是 Non-Fungible Token 的縮寫，中文常稱「非同質化代幣」。它是記錄在區塊鏈上的一種代幣，其識別碼具有唯一性，且不能像一般貨幣或同質化代幣那樣，與另一枚代幣直接等值互換。

例如，一枚代幣可以代表某件數位藝術品、遊戲道具或活動門票的特定權利。區塊鏈上的紀錄可用來辨識代幣、追蹤交易歷程及確認目前的持有人。

解題方法

本題是名詞定義題，作答時抓住三個重點即可：

1. 全名：NFT 是 Non-Fungible Token。
2. 核心特性：非同質化，具有可辨識的唯一性，不能與其他代幣視為完全等值互換。
3. 技術用途：利用區塊鏈記錄代幣的識別資訊、交易歷程及持有狀態，可用來代表特定數位或實體資產相關的權利。

核心觀念

NFT 是「非同質化代幣」（Non-Fungible Token），是一種記錄在區塊鏈上的數位代幣。每個 NFT 都有可識別的代幣識別碼，並由智慧合約管理，因此能與其他代幣區別。相較之下，同質化代幣可互換，例如同一種加密貨幣中的每一單位通常具有相同價值與功能。

NFT 常用來表示某項數位或實體資產的代幣化紀錄，例如數位藝術品、收藏品或遊戲道具。區塊鏈可公開記錄 NFT 的建立、持有者與移轉紀錄；但持有 NFT 不會自動取得其所指向作品的著作權，也不代表取得該作品的實體檔案。

解題方法：依 NFT 的生命週期說明

回答「NFT 如何運作」時，可依序說明資產與中繼資料如何準備、代幣如何建立、區塊鏈如何驗證，以及 NFT 如何移轉。這樣能同時交代運作流程與支援技術。

1. 準備資產與中繼資料
   創作者準備作品或其他資產，並建立中繼資料，例如名稱、描述、作品連結與創作者資訊。實際檔案可存放在鏈外服務或去中心化儲存系統；NFT 通常透過中繼資料中的 URI 指向檔案。

2. 鑄造 NFT
   創作者透過區塊鏈上的智慧合約建立 NFT，稱為「鑄造」（minting）。合約會建立代幣識別碼，並記錄初始持有者及相關中繼資料位置。常見標準包括以太坊的 ERC-721 與 ERC-1155；不同標準支援的代幣管理方式不同。

3. 區塊鏈驗證並記錄
   交易由區塊鏈網路節點依共識機制驗證，通過後寫入分散式帳本。公開帳本讓參與者能查詢代幣的建立與移轉紀錄。建立或移轉交易可能需要支付網路手續費，常稱為 gas fee。

核心觀念

NFT（非同質化代幣）是記錄在區塊鏈上的獨特代幣，每枚都有可辨識的識別資料，不能像等值的同質化代幣一樣直接互換。NFT 可用來表示數位或實體資產的特定權益或憑證；持有 NFT 本身不必然代表取得該作品的著作權或實體物品所有權，權利範圍仍須依發行者設定的條款判斷。

解題方法

題目要求舉出 NFT 的使用實例，作答時說明三件事：NFT 代表什麼資產、如何利用其獨特性，以及使用者因此能做什麼。

核心觀念

本題考查「車聯網」（Vehicle-to-Everything, V2X）的定義、通訊技術，以及其對交通與社會的效益。V2X 是車輛、道路設施、行人等交通參與者透過無線通訊交換資訊的網路；交換的資料可包括位置、速度、行駛方向、道路狀況與交通號誌資訊。藉由即時共享這些資料，系統能讓用路人及交通管理單位更早掌握周遭狀況，並採取適當行動。美國運輸部：V2X 通訊概述

V2X 常見的通訊類型如下：

• V2V（Vehicle-to-Vehicle）：車輛彼此通訊，例如交換位置與速度、發出碰撞風險警示。
• V2I（Vehicle-to-Infrastructure）：車輛與道路基礎設施通訊，例如接收號誌、道路施工或壅塞資訊。
• V2P（Vehicle-to-Pedestrian）：車輛與行人、騎士等用路人通訊，協助偵測行人穿越或盲區風險。
• V2N（Vehicle-to-Network）：車輛透過行動網路連接雲端或交通管理系統，取得較大範圍的交通資訊。

解題方法

題目分成三個要求，作答時依序說明「網路涵義」、「主要通訊協定」與「社會效益」，即可完整涵蓋題意。協定部分要把兩種主要技術路線分開：一種是以專用短距通訊為基礎的 DSRC／WAVE，另一種是以行動通訊技術為基礎的 C-V2X。

1. DSRC／WAVE：DSRC（Dedicated Short-Range Communications）是專用短距通訊技術。其相關車載無線區域網路標準為 IEEE 802.11p，WAVE（Wireless Access in Vehicular Environments）則以 IEEE 1609 系列標準補足車載通訊架構與服務。IEEE 802.11p 標準說明；IEEE WAVE 架構說明
2. C-V2X：C-V2X（Cellular Vehicle-to-Everything）由 3GPP 行動通訊標準發展而來，包含 LTE-V2X 與 5G NR-V2X。

核心觀念

本題考 CRM（顧客關係管理）系統的功能模組。CRM 系統常見模組包括行銷、銷售與顧客服務；其中，行銷模組運用顧客資料協助企業辨識潛在買家、規劃行銷活動，並依顧客偏好提供個人化產品推薦。

解題方法

核心觀念

本題考查惡意軟體的種類與特徵。**勒索軟體（ransomware）**是一種以勒索為目的的惡意軟體，攻擊者會加密受害者的資料、鎖定裝置，或竊取資料後威脅公開，藉此索取金錢或其他有價值的資產。

解題方法

先抓題幹中的關鍵線索：攻擊者控制個人或企業資料、劫持運算裝置，並以此向受害者勒索。

核心觀念

主鍵（primary key）是用來唯一識別資料表中每一筆紀錄的欄位或欄位組合。若單一欄位無法唯一識別資料列，便可由多個欄位共同組成複合主鍵。

解題方法

原卷題目指出，資料表記錄客戶訂單的品項，欄位包含 order_ID、product_ID 與 ordered_quantity，並詢問主鍵。若一張訂單可以包含多個品項，order_ID 單獨不足以區分同一訂單中的各筆品項；product_ID 單獨也不足以區分不同訂單中的紀錄。因此，以訂單編號和產品編號的組合識別品項紀錄：

核心觀念

本題考查資訊系統分析與設計中的 Boundary–Control–Entity（BCE）類別分工：

• 邊界類別（Boundary class）：處理使用者介面或外部系統的互動，屬於檢視層。
• 實體類別（Entity class）：表示領域中的資料與核心業務概念，屬於領域層。
• 控制類別（Control class）：協調特定使用情境的流程，接收邊界類別傳來的請求，並呼叫實體類別執行業務處理。

控制類別介於邊界類別與實體類別之間，使介面互動與領域處理各自分工。

解題方法

核心觀念

本題考物件導向分析中的整體—部分關係。當一個物件由其他物件構成，而部分物件仍可獨立存在時，稱為聚合（aggregation），屬於較弱的「具有（has-a）」關係。UML 通常以空心菱形表示聚合。

**組合（composition）**則是較強的整體—部分關係：部分的生命週期受整體管理，整體消失時，部分通常也隨之消失。聚合與組合的區別在於部分是否能脫離整體而存在。 Imperial College London：Aggregation vs. composition

解題方法